这7 个深度学习实用技巧,你掌握了吗?

2018-02-12 16:21:00 来源:推酷
标签:
前几天,深度学习工程师George Seif发表了一篇博文,总结了7个深度学习的技巧,主要从提高深度学习模型的准确性和速度两个角度来分析这些小技巧。在使用深度学习的时候,我们不能仅仅把它看成一个黑盒子,因为网络设计、训练过程、数据处理等很多步骤都需要精心的设计。作者分别介绍了7个非常实用小技巧:数据量、优化器选择、处理不平衡数据、迁移学习、数据增强、多个模型集成、加快剪枝。相信掌握了这7个技巧,能让你在实际工作中事半功倍!
 
7 Practical Deep Learni ng Tips
 
7个实用的深度学习技巧
深度学习已经成为解决许多具有挑战性问题的方法。 在目标检测,语音识别和语言翻译方面,深度学习是迄今为止表现最好的方法。 许多人将深度神经网络(DNNs)视为神奇的黑盒子,我们输入一些数据,出来的就是我们的解决方案! 事实上,事情要复杂得多。
 
在设计和应用中,把DNN用到一个特定的问题上可能会遇到很多挑战。 为了达到实际应用所需的性能标准,数据处理、网络设计、训练和推断等各个阶段的正确设计和执行至关重要。 在这里,我将与大家分享7个实用技巧,让你的深度神经网络发挥最大作用。
 
 
▌ 1-数据,数据,数据
这不是什么大秘密,深度学习机需要大量的“燃料”, 那“燃料”就是数据。拥有的标签数据越多,模型的表现就越好。 更多数据产生能更好性能的想法,已经由谷歌的大规模数据集(有3亿图像)证明!为了感受数据带给深度学习模型的性能提升,在部署Deep Learning模型时,你应该不断地为其提供更多的数据和微调以继续提高其性能。 Feed the beast:如果你想提高你的模型的性能,就要提供更多的数据!
 
图显示数据量的增加会得到更好的性能
 
▌ 2-你应该选择哪一个优化器
多年来,已经开发了许多梯度下降优化算法,他们各有其优缺点。 一些最流行的方法如下:
 
Stochastic Gradient Descent (SGD) with momentum
 
Adam
 
RMSprop
 
Adadelta
 
RMSprop,Adadelta和Adam被认为是自适应优化算法,因为它们会自动更新学习率。 使用SGD时,您必须手动选择学习率和动量参数,通常会随着时间的推移而降低学习率。
 
在实践中,自适应优化器倾向于比SGD更快地收敛, 然而,他们的最终表现通常稍差。 SGD通常会达到更好的minimum,从而获得更好的最终准确性。但这可能需要比某些优化程序长得多的时间。 它的性能也更依赖于强大的初始化和学习率衰减时间表,这在实践中可能非常困难。
 
因此,如果你需要一个优化器来快速得到结果,或者测试一个新的技术。 我发现Adam
 
很实用,因为它对学习率并不是很敏感。 如果您想要获得绝对最佳的表现,请使用SGD + Momentum,并调整学习率,衰减和动量值来使性能最优化。
 
▌ 两全其美的办法
最近已经证明,可以得到两全其美的结果:从 Adam   到SGD的高性能高速训练! 这个想法是,实际上由于在训练的早期阶段SGD对参数调整和初始化非常敏感。 因此,我们可以通过使用Adam来开始训练,这将节省相当长的时间,而不必担心初始化和参数调整。 那么,一旦Adam获得较好的参数,我们可以切换到SGD +动量优化,以达到最佳性能!
 
 
Adam vs SGD 性能 
 
▌ 3-如何处理不平衡数据
在很多情况下,都要处理不平衡的数据,特别是实际应用程序中。 一个简单而实际的例子如下:训练您的深度网络以预测视频流中是否有人持有致命武器。 但是在你的训练数据中,你只有50个拿着武器的人的视频和1000个没有武器的人的视频! 如果你只是用这些数据来训练你的网络,那么你的模型肯定会非常偏向于预测没有人有武器!
 
你可以做用以下的方法来解决它:
 
在损失函数中使用类权重。 本质上就是,让实例不足的类在损失函数中获得较高的权重,因此任何对该类的错分都将导致损失函数中非常高的错误。
 
过度采样:重复一些实例较少的训练样例,有助于平衡分配。 如果可用的数据很小,这个方法最好。
 
欠采样:一些类的训练实例过多,可以简单地跳过一些实例。 如果可用数据非常大,这个方法最好。
 
为少数类增加数据。可以为少数类创建更多的训练实例! 例如,在前面检测致命武器的例子中,你可以改变属于具有致命武器的类别的视频的颜色和光照等。
 
 
关注与非网微信 ( ee-focus )
限量版产业观察、行业动态、技术大餐每日推荐
享受快时代的精品慢阅读
 

 

继续阅读
如何使用一个DSP block实现4个11位浮点型数据乘法运算

随着深度学习的发展,为了解决更加抽象,更加复杂的学习问题,深度学习的网络规模在不断的增加,计算和数据的复杂也随之剧增。INTEL FPGA具有高性能,可编程,低功耗等特点,为AI应用加速提供了一种灵活、确定的低延迟、高通量、节能的解决方案。

堪称与ARM的处理器IP媲美,华夏芯的国产处理器IP有这么神奇?

根据《微处理器报告》,“华夏芯公司的‘统一处理器(Unity)’IP平台包括64位CPU,可配置的深度学习加速器(DLA)和矢量DSP一组处理器内核系列,可以与ARM,Ceva以及其他IP供应商的产品相媲美,其中DLA是一个288-MAC的内核,但它可以扩展为包含2,304个半精度浮点MAC的八核配置。该公司也正在开发通用GPU。

AI芯片生产厂商该留出更多的空间给软件设计师

“不管有什么好的AI算法,要想最终得到应用,就必然要通过芯片来实现。”在2018中国半导体市场年会上,清华大学微电子所所长魏少军教授曾这样表示。

燧原科技获Pre-A轮融资3.4亿,打造云端深度学习训练平台

专注于人工智能领域神经网络解决方案的燧原科技今日宣布获得Pre-A轮融资3.4亿元人民币,由腾讯领投,种子轮投资方亦合资本(武岳峰资本旗下基金)、真格基金、达泰资本、云和资本继续跟投。本轮融资将用于云端AI加速芯片及相关软件生态的研发投入。

人工智能和区块链技术结合有哪些优势?
人工智能和区块链技术结合有哪些优势?

AI,是近来常被用到的词汇,简单地说,想要建造出能够执行任务的机器人的理论和实践是需要智能的。目前,为了致力于实现这一目标需要:机器学习、人工神经网络和深度学习。

更多资讯
苹果Apple Watch打遍天下无敌手?这句话从何说起
苹果Apple Watch打遍天下无敌手?这句话从何说起

毫无疑问,在智能穿戴的江湖上,苹果Apple Watch绝对是王者般的存在,冠军荣耀加身最终也验证了苹果的科技创新实力。

苹果新iPhone这些变化,你都知道吗?
苹果新iPhone这些变化,你都知道吗?

在今年秋季的新品发布会上,苹果将推出三款新iPhone。近来有关苹果新品的各种爆料,频频传出,其中也不乏众多果粉期待许久的升级。

智能音箱和智能闹钟谁能率先进入智能家居时代?

物联网的发展又离不开人工智能,目前,人工智能+物联网最成功的例子就是亚马逊的智能音箱 Echo。在诸多物联网设备中,Echo使用的语音交互形式迅速打开了市场,通过音箱内部的智能语音助手Alexa,用户可以实现新闻播放、控制家电、叫车、订外卖等服务。

小米手机均价大幅提升,海外市场进展如何?

据Counterpoint发布的二季度数据显示,全球前七大手机企业当中,小米的手机均价约1094元,居于末位,不过值得它高兴的是相较于去年的手机均价881元提升了24%,似乎说明它在中高端手机市场已取得突破,二季度其出货量同比增长43%,可谓量价齐升。

新款iPhone将支持Apple Pencil?乔布斯的脸可能要被打肿了
新款iPhone将支持Apple Pencil?乔布斯的脸可能要被打肿了

经过多家调研机构的轮番爆料,苹果在今年将推出三款iPhone已经是公开的秘密。近期市场研究机构TrendForce再次带来猛料,对三款新iPhone的参数做了分别描述,并指出Apple Pencil也将作为新iPhone的选配项提供。

电路方案